Common Voice 是 Mozilla 的開源專案，基於 MPL 協定發行，到目前為止已經誕生了幾年時間，它允許志願者們為語音識別軟體的資料庫做出貢獻，而這個資料庫屬於公共領域，所有人都可以將這些資料用於語音合成和識別軟體。
今年 4 月，Nvidia 通過向 Mozilla 投資 150 萬美元的方式參與了這項計劃的合作。
近日，在雙方和整個社群的共同努力下，Common Voice 資料集的最新版本正式公開了。它帶來了多項值得注意的新內容。首先，該語料資料集現在有超過 13000 小時的眾包語音資料。與之前的版本相比，最新版本帶來了 4622 小時的全新音訊資料。還增加了 16 種新語言，即巴薩語、斯洛伐克語、北庫爾德語、保加利亞語、哈薩克語、巴什基爾語、加利西亞語、維吾爾語、亞美尼亞語、白俄羅斯語、烏爾都語、瓜拉尼語、塞爾維亞語、烏茲別克語、亞塞拜然語和豪薩語。這使得資料集中的語言總數達到了 76 種。總的來說，該資料集現在有超過 182,000 個獨特的聲音，過去六個月裡貢獻者社群增長了 25% 。
Mozilla 新發布的 Common Voice 資料集的其他內容包括：
- 按總時長排列的前五的語言是英語（2630 小時）、基尼亞盧安達語（2260 小時）、德語（1040 小時）、加泰羅尼亞語（920 小時）和世界語（840 小時）；
- 按百分比增加最多的語言是泰語（增長了 20 倍，從 12 小時增長到 250 小時），盧幹達語（增長了 10 倍，從 8 小時到 80 小時），世界語（增長了 8 倍多，從 100 小時到 840 小時），以及泰米爾語（增長了 9 倍多，從 24 小時到 220 小時）；
如果你有興趣為 Common Voice 資料集做出貢獻，可以存取參與這項計劃，為專案添磚加瓦。想要將資料集用於相關專案開發的開發者可以在 中找到原始碼和使用檔案。作為 Mozilla 和 Nvidia 合作的一部分，在這個公共資料集上訓練的模型可以通過 Nvidia NeMo 免費獲得。